告别理论！知识图谱本地部署与 RAG 框架接入实战全攻略

今天先进行各部分解析，随后附上完整代码文件、环境配置及运行操作说明。想跳过解析直接运行代码，可跳转至第四节。

一、任务概述

本章主要介绍如何在本地接入大模型和文本编码模型，利用模型对文件生成知识图谱数据，并接入 RAG 框架提高回答准确性。

具体流程包括：配置本地大语言（LLM）和中文文本嵌入（Embedding）模型；连接 Nebula Graph 数据库并创建 “wukong” 图空间；用 llama_index 加载文档构建图索引并存入数据库；查看数据并绘制知识图谱可视化文件；对比常规向量语义与知识图谱查询结果。

二、代码详细解析

3.1 配置本地大语言与嵌入模型

配置后可用!nvidia - smi查看 GPU 使用情况，加载模型后 12G 显存占用近 10G。

3.2 连接知识图谱数据库

此处解释了ngql魔法命令作用，以及图空间创建参数（VID 类型、分区、副本）的含义与选择范围。

3.3 加载文档构建索引并保存

3.4 查看数据库并可视化

介绍了各ngql语句的使用场景和作用。

3.5 对比常规与知识图谱查询

四、完整代码及操作说明

文件放置结构如下：